Méthodes numériques II
Notes de cours
Sup Galilée, Ingénieurs Energétique 1ère année
1
2
Francois Cuvelier
3Université Paris XIII / Institut Galilée
4L.A.G.A./Département de Mathématiques
5http://www.math.univ-paris13.fr/„cuvelier
67
Table des matières
1
1 Langage Algorithmique 1
21.1 Pseudo-langage algorithmique . . . . 1
31.1.1 Données et constantes . . . . 1
41.1.2 Variables . . . . 1
51.1.3 Opérateurs . . . . 2
61.1.4 Expressions . . . . 2
71.1.5 Instructions . . . . 3
81.1.6 Fonctions . . . . 4
91.2 Méthodologie d'élaboration d'un algorithme . . . . 6
101.2.1 Description du problème . . . . 6
111.2.2 Recherche d'une méthode de résolution . . . . 6
121.2.3 Réalisation d'un algorithme . . . . 7
131.2.4 Exercices . . . . 7
141.3 Principes de bonne programmation pour attaquer de gros problèmes . . . . 9
152 Dérivation numérique 11
163 Introduction à la résolution d'E.D.O. 21
173.1 Introduction . . . 21
183.1.1 Exemple en météorologie : modèle de Lorentz . . . 21
193.1.2 Exemple en biologie . . . 23
203.1.3 Exemple en chimie : La réaction de Belousov-Zhabotinsky . . . 23
213.1.4 Exemple en mécanique . . . 25
223.2 Problème de Cauchy . . . 26
233.3 Diérences nies pour les E.D.O. . . 30
243.3.1 Diérences nies pour le problème de Cauchy en dimension m “ 1 . . . 30
253.3.2 Diérences nies pour le problème de Cauchy en dimension m . . . 33
263.4 Méthodes à un pas ou à pas séparés . . . 34
273.5 Méthodes de Runge-Kutta . . . 36
283.5.1 Principe . . . 36
293.5.2 Formules explicites de Runge-Kutta d'ordre 2 . . . 37
303.5.3 Méthodes de Runge-Kutta d'ordre 4 . . . 39
313.6 Méthodes à pas multiples . . . 42
323.6.1 Exemple : schéma de point milieu . . . 42
330.T ABLE DES MA TIÈRES 0.0. T ABLE DES MA TIÈRES 0.0.0
3.6.2 Le principe . . . 42
1
3.6.3 Méthodes explicites d'Adams-Bashforth . . . 44
2
3.6.4 Méthodes implicites d'Adams-Moulton . . . 45
3
3.6.5 Schéma prédicteur-correcteur . . . 46
4
3.7 Applications . . . 49
5
3.7.1 Modèle de Lorentz . . . 49
6
4 Introduction à la résolution d'E.D.P. 51
7
4.1 Exemples d'EDP . . . 51
8
4.1.1 Equation de Laplace et équation de Poisson . . . 51
9
4.1.2 Equation de convection-diusion stationnaire . . . 54
10
4.1.3 Equation de la chaleur . . . 55
11
4.1.4 Equation des ondes . . . 56
12
4.2 Dénitions . . . 57
13
4.3 Méthodes de résolution numérique d'EDP . . . 58
14
4.4 Opérateurs aux diérences nies . . . 58
15
4.4.1 Dimension 1 . . . 58
16
4.4.2 Dimension n ě 1 . . . 62
17
4.5 Méthode des diérences nies (dimension 1 en espace) . . . 65
18
4.5.1 EDP stationnaire avec conditions aux limites de Dirichlet . . . 65
19
4.5.2 EDP stationnaire avec conditions aux limites mixtes . . . 70
20
4.6 Problème modèle évolutif 1D : équation de la chaleur . . . 76
21
4.6.1 Schéma explicite en temps . . . 79
22
4.6.2 Schéma implicite en temps . . . 90
23
1
Chapitre 1
Langage Algorithmique
1
1.1 Pseudo-langage algorithmique
2Pour uniformiser l'écriture des algorithmes nous employons, un pseudo-langage contenant l'indispensable :
34
‚ variables,
5‚ opérateurs (arithmétiques, relationnels, logiques),
6‚ expressions,
7‚ instructions (simples et composées),
8‚ fonctions.
9Ce pseudo-langage sera de fait très proche du langage de programmation de Matlab.
101.1.1 Données et constantes
11Une donnée est une valeur introduite par l'utilisateur (par ex. une température, une vitesse, ... Une
12constante est un symbole ou un identicateur non modiable (par ex. π , la constante de gravitation,...)
131.1.2 Variables
14Denition 1.1
Une variable est un objet dont la valeur est modiable, qui possède un nom et un type (entier,
charactère, réel, complexe, ...). Elle est rangée en mémoire à partir d'une certaine adresse.
151. Langage Algo rithmique 1.1. Pseudo-langage algo rithmique 1.1.4 Exp ressions
1.1.3 Opérateurs
1
Opérateurs arithmétiques
2
Nom Symbole example
addition ` a ` b
soustraction ´ a ´ b
opposé ´ ´a
produit ˚ a ˚ b
division { a{b
puissance a
b ^a
^b
Table 1.1: Opérateurs arithmétiques Opérateurs relationnels
3
Nom Symbole example Commentaires
identique ““ a ““ b vrai si a et b ont même valeur, faux sinon.
diérent „“ a „“ b faux si a et b ont même valeur, vrai sinon.
inférieur ă a ă b vrai si a est plus petit que b , faux sinon.
supérieur ą a ą b vrai si a est plus grand que b , faux sinon.
inférieur ou égal ă“ a ă“ b vrai si a est plus petit ou égal à b , faux sinon.
supérieur ou égal ą“ a ą“ b vrai si a est plus grand ou égal à b , faux sinon.
Table 1.2: Opérateurs relationnels Opérateurs logiques
4
Nom Symbole example Commentaires
négation „ „ a vrai si a est faux (ou nul), faux sinon.
ou | a|b vrai si a ou b est vrai (non nul), faux sinon.
et & a&b vrai si a et b sont vrais (non nul), faux sinon.
Table 1.3: Opérateurs logiques Opérateur d'aectation
5
Nom Symbole example Commentaires
aectation Ð a Ð b On aecte à la variable a le contenu de b Table 1.4: Opérateurs d'aectation
1.1.4 Expressions
6
Denition 1.2
Une expression est un groupe d'opérandes (i.e. nombres, constantes, variables, ...) liées par certains opérateurs pour former un terme algébrique qui représente une valeur (i.e. un élément de donnée simple)
7
Exemple 1.3 • Voici un exemple classique d'expression numérique : pb ˚ b ´ 4 ˚ a ˚ cq{p2 ˚ aq.
On appelle opérandes les identiants a, b et c, et les nombres 4 et 2. Les symboles ˚, ´ et { sont
8
les opérateurs.
9
Pseudo-langage algorithmique
1. Langage Algo rithmique 1.1.Pseudo-langage algo rithmique 1.1.5 Instructions
3
• Voici un exemple classique d'expression booléenne (logique) : px ă 3.14q
Dans cette expression, x est une variable numérique et 3.14 est un nombre réel. Cette expression
1prendra la valeur vrai (i.e. 1 ) si x est plus petit que 3.14. Sinon, elle prendra la valeur faux (i.e. 0 )
21.1.5 Instructions
3Denition 1.4
Une instruction est un ordre ou un groupe d'ordres qui déclenche l'exécution de certaines actions par l'ordinateur. Il y a deux types d'instructions : simple et structuré.
Les instructions simples sont essentiellement des ordres seuls et inconditionnels réalisant l'une des tâches suivantes :
1. aectation d'une valeur a une variable.
2. appel d'une fonction (procedure, subroutine, ... suivant les langages).
Les instructions structurées sont essentiellement :
1. les instructions composées, groupe de pulsieurs instructions simples,
2. les instructions répétitives, permettant l'exécution répétée d'instructions simples, (i.e. boucles pour, tant que)
3. les instructions conditionnelles, lesquels ne sont exécutées que si une certaine condition est
respectée (i.e. si)
4Les exemples qui suivent sont écrits dans un pseudo langage algorithmique mais sont facilement
5transposable dans la plupart des langages de programmation.
6Instructions simples
7Voici un exemple de l'instruction simple d'aectation :
81:
a Ð 3.14 ˚ R
9On évalue l'expression 3.14 ˚ R et aecte le résultat à la variable a.
10Un autre exemple est donné par l'instruction simple d'achage :
11affiche('bonjour')
12Ache la chaine de caractères 'bonjour' à l'écran. Cette instruction fait appel à la fonction affiche.
13Instructions composées
14Instructions répétitives, boucle pour
15Algorithme 1.1 Exemple de boucle pour Données : n : un entier.
1:
S Ð 0
2:
Pour i Ð 1 à n faire
3:
S Ð S ` cospi
2q
4:
Fin Pour
Compiled on 2016/03/08 at 18:59:44
1. Langage Algo rithmique 1.1. Pseudo-langage algo rithmique 1.1.6 Fonctions
Instruction répétitive, boucle tant que
1
Algorithme 1.2 Exemple de boucle tant que
1:
i Ð 0, x Ð 1
2:
Tantque i ă 1000 faire
3:
x Ð x ` i ˚ i
4:
i Ð i ` 1
5:
Fin Tantque
Instruction répétitive, boucle répéter ...jusqu'à
2
Algorithme 1.3 Exemple de boucle répéter ...jusqu'à
1:
i Ð 0, x Ð 1
2:
Répéter
3:
x Ð x ` i ˚ i
4:
i Ð i ` 1
5:
jusqu'à i>=1000
Instructions conditionnelles si
3
Algorithme 1.4 Exemple d'instructions conditionnelle si Données : age : un réel.
1:
Si age ą“ 18 alors
2:
ache('majeur')
3:
Sinon Si age ą“ 0 alors
4:
ache('mineur')
5:
Sinon
6:
ache('en devenir')
7:
Fin Si
1.1.6 Fonctions
4
Les fonctions permettent
5
• d'automatiser certaines tâches répétitives au sein d'un même programme,
6
• d'ajouter à la clarté d'un programme,
7
• l'utilisation de portion de code dans un autre programme,
8
• ...
9
Fonctions prédénies
10
Pour faciliter leur usage, tous les langages de programmation possèdent des fonctions prédénies. On
11
pourra donc supposer que dans notre langage algorithmique un grand nombre de fonctions soient prédénies
12
: par exemple, les fonctions mathématiques sin, cos, exp, abs, ¨ ¨ ¨ (pour ne citer quelles)
13
Syntaxe
14
On utilise la syntaxe suivante pour la dénition d'une fonction
15 16
Pseudo-langage algorithmique
1. Langage Algo rithmique 1.1.Pseudo-langage algo rithmique 1.1.6 Fon ction s
5 Fonction rargs
1, . . . , args
ns Ð NomFonction ( arge
1, . . . , arge
m)
instructions Fin Fonction
1
La fonction se nomme NomFonction . Elle admet comme paramètres d'entrée (données) les m argu-
2ments arge
1, . . . , arge
met comme paramètres de sortie (résultats) les n arguments args
1, . . . , args
n. Ces
3derniers doivent être déterminés dans le corps de la fonction (partie instructions).
4Dans le cas ou la fonction n'admet qu'un seul paramètre de sortie, l'écriture se simplie :
5 6Fonction args Ð NomFonction ( arge
1, . . . , arge
m) instructions
Fin Fonction
7
Ecrire ses propres fonctions
8Pour écrire une fonction propre, il faut tout d'abord déterminer exactement ce que devra faire cette
9fonction.
10Puis, il faut pouvoir répondre à quelques questions :
111. Quelles sont les données (avec leurs limitations)?
122. Que doit-on calculer ?
13Et, ensuite il faut la commenter : expliquer son usage, type des paramètres, ....
14Exemple : résolution d'une équation du premier degré
15Nous voulons écrire une fonction calculant la solution de l'équation ax ` b “ 0,
où nous supposons que a P R
˚et b P R. La solution de ce problème est donc x “ ´ b
a .
Les données de cette fonction sont a P R
˚et b P R. Elle doit retourner x “ ´
basolution de ax ` b “ 0.
16Algorithme 1.5 Exemple de fonction : Résolution de l'équation du premier degré ax ` b “ 0.
Données : a : nombre réel diérent de 0 b : nombre réel.
Résultat : x : un réel.
1:
Fonction x Ð REPD( a, b )
2:
x Ð ´b{a
3:
Fin Fonction
Remarque 1.5 Cette fonction est très simple, toutefois pour ne pas alourdir le code nous n'avons pas
17vérié la validité des données fournies.
18Exercice 1.1.1
Ecrire un algorithme permettant de valider cette fonction.
19Compiled on 2016/03/08 at 18:59:44
1. Langage Algo rithmique 1.2. Métho dologie d'élab oration d'un algo rithm e 1.2.3 Réalisati on d'un algo rithme
Exemple : résolution d'une équation du second degré
1
Nous cherchons les solutions réelles de l'équation
2
ax
2` bx ` c “ 0, (1.1)
où nous supposons que a P R
˚, b P R et c P R sont donnés.
3
Mathématiquement, l'étude des solutions réelles de cette équation nous amène à envisager trois cas
4
suivant les valeurs du discriminant ∆ “ b
2´ 4ac
5
• si ∆ ă 0 alors les deux solutions sont complexes,
6
• si ∆ “ 0 alors la solution est x “ ´
2ab,
7
• si ∆ ą 0 alors les deux solutions sont x
1“
´b´?∆
2˚a
et x
2“
´b`?∆ 2˚a
.
8
Exercice 1.1.2
1. Ecrire la fonction discriminant permettant de calculer le discriminant de l'équation (1.1).
2. Ecrire la fonction RESD permettant de résoudre l'équation (1.1) en utilisant la fonction discriminant.
3. Ecrire un programme permettant de valider ces deux fonctions.
9
Exercice 1.1.3
Même question que précédemment dans le cas complexe (solution et coecients).
10
1.2 Méthodologie d'élaboration d'un algorithme
11
1.2.1 Description du problème
12
‚ Spécication d'un ensemble de données
13
Origine : énoncé,hypothèses, sources externes, ...
14
‚ Spécication d'un ensemble de buts à atteindre
15
Origine : résultats, opérations à eectuer, ...
16
‚ Spécication des contraintes
17
1.2.2 Recherche d'une méthode de résolution
18
‚ Clarier l'énoncé.
19
‚ Simplier le problème.
20
‚ Ne pas chercher à le traiter directement dans sa globalité.
21
‚ S'assurer que le problème est soluble (sinon problème d'indécidabilité!)
22
‚ Recherche d'une stratégie de construction de l'algorithme
23
‚ Décomposer le problème en sous problèmes partiels plus simples : ranement.
24
‚ Eectuer des ranements successifs.
25
‚ Le niveau de ranement le plus élémentaire est celui des instructions.
26
Méthodologie d'élaboration d'un algorithme
1. Langage Algo rithmique 1.2.Métho dologie d'élab oration d'un algo rithme 1.2.4 Exercices 7
1.2.3 Réalisation d'un algorithme
1Il doit être conçu indépendamment du langage de programmation et du système informatique (sauf cas
2très particulier)
3‚ L'algorithme doit être exécuté en un nombre ni d'opérations.
4‚ L'algorithme doit être spécié clairement, sans la moindre ambiguïté.
5‚ Le type de données doit être précisé.
6‚ L'algorithme doit fournir au moins un résultat.
7‚ L'algorithme doit être eectif : toutes les opérations doivent pouvoir être simulées par un homme
8en temps ni.
9Pour écrire un algorithme détaillé, il faut tout d'abord savoir répondre a quelques questions :
1011
• Que doit-il faire ? (i.e. Quel problème est-il censé résoudre?)
12• Quelles sont les données necessaires à la résolution de ce problème?
13• Comment résoudre ce problème à la main (sur papier)?
14Si l'on ne sait pas répondre à l'une de ces questions, l'écriture de l'algorithme est fortement comprise.
151.2.4 Exercices
16Exercice 1.2.1: Algorithme pour une somme Ecrire un algorithme permettant de calculer
Spxq “
n
ÿ
k“1
k sinp2 ˚ k ˚ xq
17
Correction Exercice 1.2.1 L'énoncé de cet exercice est imprécis. On choisi alors x P R et n P N pour rendre possible le calcul. Le problème est donc de calculer
n
ÿ
k“1
k sinp2kxq.
Toutefois, on aurait pu choisir x P C ou encore un tout autre problème : Trouver x P R tel que Spxq “
n
ÿ
k“1
k sinp2kxq
où n P N et S, fonction de R à valeurs réelles, sont les données!
18Algorithme 1.6 Calcul de S “ ř
nk“1
k sinp2kxq Données : x : nombre réel,
n : nombre entier.
Résultat : S : un réel.
1:
S Ð 0
2:
Pour k Ð 1 à n faire
3:
S Ð S ` k ˚ sinp2 ˚ k ˚ xq
4:
Fin Pour
˛
19 20Compiled on 2016/03/08 at 18:59:44
1. Langage Algo rithmique 1.2. Métho dologie d'élab oration d'un algo rithm e 1.2.4 Exercices
Exercice 1.2.2: Algorithme pour un produit Ecrire un algorithme permettant de calculer
P pzq “
k
ź
n“1
sinp2 ˚ k ˚ z{nq
k1
Correction Exercice 1.2.2 L'énoncé de cet exercice est imprécis. On choisi alors z P R et k P N pour
2
rendre possible le calcul.
3
Algorithme 1.7 Calcul de P “
k
ź
n“1
sinp2kz{nq
kDonnées : z : nombre réel,
k : nombre entier.
Résultat : P : un réel.
1:
P Ð 1
2:
Pour n Ð 1 à k faire
3:
P Ð P ˚ sinp2 ˚ k ˚ z{nq
^k
4:
Fin Pour
˛
4 5
Exercice 1.2.3: Série de Fourier Soit la série de Fourier
xptq “ 4A π
"
cos ωt ´ 1
3 cos 3ωt ` 1
5 cos 5ωt ´ 1
7 cos 7ωt ` ¨ ¨ ¨
* . Ecrire la fonction SFT permettant de calculer x
nptq.
6
Correction Exercice 1.2.3 Nous devons écrire la fonction permettant de calculer
x
nptq “ 4A π
n
ÿ
k“1
p´1q
k`11
2k ´ 1 cospp2k ´ 1qωtq Les données de la fonction sont A P R, ω P R, n P N
˚et t P R.
7
Grâce a ces renseignements nous pouvons déjà écrire l'entête de la fonction :
8
Algorithme 1.8 En-tête de la fonction SFT retournant valeur de la série de Fourier en t tronquée au n premiers termes de l'exercice 1.2.3.
Données : t : nombre réel,
n : nombre entier strictement positif A, ω : deux nombres réels.
Résultat : x : un réel.
1:
Fonction x Ð SFT( t, n, A, ω )
2:
. . .
3:
Fin Fonction
Maintenant nous pouvons écrire progressivement l'algorithme pour aboutir au nal à une version ne
9
contenant que des opérations élémentaires.
10
Principes de bonne programmation pour attaquer de gros problèmes
1. Langage Algo rithmique 1.3.Princip es de b onne progr ammation pour attaquer de gros problèmes 1.3.0 Exercices 9
Algorithme 1.9
R
01:
x Ð 4A π
n
ÿ
k“1
ˆ p´ 1 q
k`12k´11ˆ cos pp 2k ´ 1 q ωt q
˙
Algorithme 1.9
R
11:
S Ð
n
ÿ
k“1
p´ 1 q
k`11
2k ´ 1 cos pp 2k ´ 1 q ωt q
2:
x Ð 4A π S
1 2
Algorithme 1.9
R
11:
S Ð
n
ÿ
k“1
p´ 1 q
k`11 2k ´ 1
cos pp 2k ´ 1 q ωt q
2:
x
np t q Ð 4A π S
Algorithme 1.9
R
21:
S Ð 0
2: Pour
k “ 1
àn
faire3:
S Ð S ` p´ 1 q
k`12k´11˚ cos pp 2k ´ 1 q ωt q
4: FinPour
5:
x
np t q Ð 4A π S
3
Finalement la fonction est
4Algorithme 1.9 Fonction SFT retournant la valeur de la série de Fourier en t tronquée au n premiers termes de l'exercice ??.
Données : t : nombre réel,
n : nombre entier strictement positif A, ω : deux nombres réels.
Résultat : x : un réel.
1:
Fonction x Ð SFT( t, n, A, ω )
2:
S Ð 0
3:
Pour k “ 1 à n faire
4:
S Ð S ` pp´1q
^pk ` 1qq ˚ cospp2 ˚ k ´ 1q ˚ ω ˚ tq{p2 ˚ k ´ 1q
5:
Fin Pour
6:
S Ð 4 ˚ A ˚ S{π
7:
Fin Fonction
˛
5 6Exercice 1.2.4
Reprendre les trois exercices précédents en utilisant les boucles tant que.
71.3 Principes de bonne programmation pour attaquer
8de gros problèmes
9Tous les exemples vus sont assez courts. Cependant, il peut arriver que l'on ait des programmes plus
10longs à écrire (milliers de lignes, voir des dizaines de milliers de lignes). Dans l'industrie, il arrive que des
11équipes produisent des codes de millions de lignes, dont certains mettent en jeux des vies humaines (con-
12trôler un avion de ligne, une centrale nucléaire, ...). Le problème est évidemment d'écrire des programmes
13sûrs. Or, un programme à 100% sûr, cela n'existe pas! Cependant, plus un programme est simple, moins
14le risque d'erreur est grand : c'est sur cette remarque de bon sens que se basent les bonnes méthodes.
15Ainsi :
1617
Tout problème compliqué doit être découpé en sous-problèmes plus simples
Il s'agit, lorsqu'on a un problème P à résoudre, de l'analyser et de le décomposer en un ensemble de
18problèmes P
1, P
2, P
3, . . . plus simples. Puis, P
1, est lui-même analysé et décomposé en P
11, P
12, . . . , et
19Compiled on 2016/03/08 at 18:59:44
1. Langage Algo rithmique 1.3. Princip es de b onne programmation pour attaquer de gros problè mes 1.3.0 Exercices
P
2en P
21, P
22, etc. On poursuit cette analyse jusqu'à ce qu'on n'ait plus que des problèmes élémentaires
1
à résoudre. Chacun de ces problèmes élémentaires est donc traité séparément dans un module, c'est à
2
dire un morceau de programme relativement indépendant du reste. Chaque module sera testé et validé
3
séparément dans la mesure du possible et naturellement largement docummenté. Enn ces modules
4
élémentaires sont assemblés en modules de plus en plus complexes, jusqu'à remonter au problème initiale.
5
A chaque niveau, il sera important de bien réaliser les phases de test, validation et documentation des
6
modules.
7
Par la suite, on s'évertue à écrire des algorithmes!
Ceux-ci ne seront pas optimisés
a!
aaméliorés pour minimiser le nombre d'opérations élémentaires, l'occupation mémoire, ..
8
2
Chapitre 2
Dérivation numérique
1
Soit y : ra, bs ÝÑ R , de classe C
1et t P ra, bs. La dérivée y
1ptq est donnée par
2y
1ptq “ lim
hÑ0`
ypt ` hq ´ yptq h
“ lim
hÑ0`
yptq ´ ypt ´ hq h
“ lim
hÑ0
ypt ` hq ´ ypt ´ hq 2h
Denition 2.1
Soit N P N
˚. On appelle discrétisation régulière de ra, bs à N pas ou N ` 1 points l'ensemble des points a ` nh, n P v0, N w où le pas h est donné par h “ pb ´ aq{N.
3Soient tt
nu
nPv0,Nwune discrétisation régulière de ra, bs et pDyq
nune approximation de y
1pt
nq. On
4appelle
5‚ diérence nie progressive l'approximation
6pDyq
Pn“ ypt
n`1q ´ ypt
nq
h , @n P v0, N ´ 1w (2.1)
‚ diérence nie rétrograde l'approximation
7pDyq
Rn“ ypt
nq ´ ypt
n´1q
h , @n P v1, Nw (2.2)
‚ diérence nie centrée l'approximation
8pDyq
Cn“ ypt
n`1q ´ ypt
n´1q
2h , @n P v1, N ´ 1w (2.3)
Pour calculer l'erreur commise par ces approximations, on rappelle le developpement de Taylor-
9Lagrange
102. Dérivation numérique 2.0. 2.0.0 Exercices
Proposition 2.2: Développement de Taylor-Lagrange Soit f une application f : ra, bs ÝÑ R . Si f P C
r`1pra, bsq alors
‚ @px, yq P ra, bs
2il existe un ξ Psx, yr tel que f pxq “ f pyq `
r
ÿ
k“1
f
pkqpyq
k! px ´ yq
k` f
pr`1qpξq
pr ` 1q! px ´ yq
r`1(2.4)
‚ @x P ra, bs, @h P R
˚vériant x ` h P ra, bs, il existe ξ Ps minpx, x ` hq, maxpx, x ` hqr tel quel f px ` hq “ f pxq `
r
ÿ
k“1
f
pkqpxq
k! h
k` f
pr`1qpξq
pr ` 1q! h
r`1(2.5)
1
Brook Taylor 1685-1731, Mathé-
maticien anglais (a) Joseph-Louis Lagrange
1736-1813, Mathématicien ital- ien(sarde) puis naturalisé français
Denition 2.3
Soit g une fonction. On dit que g se comporte comme un grand O de h
qquand h tend vers 0 si et seulement si il existe H ą 0 et C ą 0 tel que
|gphq| ď Ch
q, @h Ps ´ H, Hr.
On note alors gphq “ Oph
qq.
2
Avec cette notation le développement de Taylor (2.5) s'écrit aussi
3
f px ` hq “ f pxq `
r
ÿ
k“1
f
pkqpxq
k! h
k` Oph
r`1q. (2.6)
Exercice 2.0.1
4
2. Dérivation numérique 2.0. 2.0.0 Exercices 13
Q. 1 Soit y P C
2pra, bsq.
1. Montrer qu'il existe η
PnPst
n, t
n`1r et η
RnPst
n´1, t
nr tels que pDyq
Pn“ y
p1qpt
nq ` h
2 y
p2qpη
nPq et
pDyq
Rn“ y
p1qpt
nq ´ h
2 y
p2qpη
nRq 2. En déduire que
| y
p1qpt
nq ´ pDyq
Pn| ď C
1h, avec C
1“ 1 2 max
tPrtn,tn`1s
| y
p2qptq|
et
|y
1pt
nq ´ pDyq
Rn| ď C
2h, avec C
2“ 1 2 max
tPrtn´1,tns
| y
p2qptq|
Q. 2 Soit y P C
3pra, bsq.
1. Montrer qu'il existe η
1nPst
n, t
n`1r et η
n2Pst
n´1, t
nr tels que pDyq
Cn“ y
p1qpt
nq ´ h
212 p y
p3qpη
1nq ` y
p3qpη
2nqq 2. En déduire que
| y
p1qpt
nq ´ pDyq
Cn| ď Eh
2, avec E “ 1
6 max
tPrtn´1,tn`1s
| y
p3qptq|
1
Correction Exercice 3.2.1
2Q. 1 1. Soit n P v0, N ´ 1w , on a t
n`1“ t
n` h et
pDyq
Pn“ ypt
n`1q ´ ypt
nq
h .
D'après la formule de Taylor (2.5), il existe η
PnP rt
n, t
n`1s tel que
3ypt
n`1q “ ypt
nq ` h y
p1qpt
nq ` h
22! y
p2qpη
Pnq (2.7)
d'où
4pDyq
Pn“ ypt
n`1q ´ ypt
nq
h “ y
p1qpt
nq ` h
2! y
p2qpη
nPq. (2.8) Soit n P v1, Nw, on a t
n´1“ t
n´ h et
pDyq
Rn“ ypt
nq ´ ypt
n´1q
h .
D'après la formule de Taylor (2.5), il existe η
RnP rt
n´1, t
ns tels que
5ypt
n´1q “ ypt
nq ´ h y
p1qpt
nq ` p´hq
22! y
p2qpη
nRq (2.9)
d'où
6pDyq
Rn“ ypt
nq ´ ypt
n´1q
h “ y
p1qpt
nq ´ h
2 y
p2qpη
Rnq (2.10) 2. Soit n P v0, N ´ 1w , comme η
PnP rt
n, t
n`1s on a
| y
p2qpη
Pnq| ď max
tPrtn,tn`1s
| y
p2qptq|
Compiled on 2016/03/08 at 18:59:44
2. Dérivation numérique 2.0. 2.0.0 Exercices
d'où, en utilisant (2.8),
|pDyq
Pn´ y
p1qpt
nq| “ h
2 | y
p2qpη
Pnq| ď h 2 max
tPrtn,tn`1s
| y
p2qptq|.
De même, comme η
RnP rt
n´1, t
ns on a
| y
p2qpη
nRq| ď max
tPrtn´1,tnns
| y
p2qptq|
d'où, en utilisant (2.10),
|pDyq
Rn´ y
p1qpt
nq| “ h
2 | y
p2qpη
Rnq| ď h 2 max
tPrtn´1,tns
| y
p2qptq|.
Q. 2 1. Soit n P v0, N ´ 1w , on a
pDyq
Cn“ ypt
n`1q ´ ypt
n´1q
2h .
D'après la formule de Taylor (2.5), il existe η
n1P rt
n, t
n`1s et η
2nP rt
n´1, t
ns tels que
1
ypt
n`1q “ ypt
nq ` h y
p1qpt
nq ` h
22! y
p2qpt
nq ` h
33! y
p3qpη
n1q (2.11) et
2
ypt
n´1q “ ypt
nq ´ h y
p1qpt
nq ` h
22! y
p2qpt
nq ´ h
33! y
p3qpη
n2q (2.12) En soustrayant (2.12) à (2.11), on obtient
ypt
n`1q ´ ypt
n´1q “ 2h y
p1qpt
nq ` h
36 p y
p3qpη
1nq ` y
p3qpη
2nqq d'où
y
p1qpt
nq “ ypt
n`1q ´ ypt
n´1q
2h ´ h
212 p y
p3qpη
n1q ` y
p3qpη
n2qq.
2. Comme η
1nP rt
n, t
n`1s Ă rt
n´1, t
n`1s, on en déduit que
| y
p3qpη
n1q| ď max
tPrtn´1,tn`1s
| y
p3qptq|.
De même, comme η
2nP rt
n´1, t
ns Ă rt
n´1, t
n`1s on a
| y
p3qpη
n2q| ď max
tPrtn´1,tn`1s
| y
p3qptq|.
˛
3 4
Denition 2.4
La diérence |y
1pt
nq ´ pDyq
n| est appelée erreur de troncature au point t
n. On dira que
|y
1pt
nq ´ pDyq
n| est d'ordre p ą 0 si il existe une constance C ą 0 telle que
|y
1pt
nq ´ pDyq
n| ď Ch
pðñ |y
1pt
nq ´ pDyq
n| “ Oph
pq.
5
Les erreurs de troncature des diérences nies progressive et rétrograde sont d'ordre 1 et l'erreur de
6
troncature de la diérence nie centrée est d'ordre 2.
7
On a démontré le lemme suivant
8
Lemme 2.5
9
2. Dérivation numérique 2.0. 2.0.0 Exercices 15
Si y P C
2pra, bsq alors ˇ ˇ ˇ ˇ
y
1pt
nq ´ ypt
n`1q ´ ypt
nq h
ˇ ˇ ˇ ˇ
“ Ophq, @n P v0, N ´ 1w, (2.13) ˇ
ˇ ˇ ˇ
y
1pt
nq ´ ypt
nq ´ ypt
n´1q h
ˇ ˇ ˇ
ˇ “ Ophq, @n P v1, Nw. (2.14) Si y P C
3pra, bsq alors
ˇ ˇ ˇ ˇ
y
1pt
nq ´ ypt
n`1q ´ ypt
n´1q 2h
ˇ ˇ ˇ ˇ
“ Oph
2q, @n P v1, N ´ 1w. (2.15)
1
Exercice 2.0.2
Soit f P C
3pra, bs; R q. On note t
n, n P v0, Nw, une discrétisation régulière de ra, bs de pas h. On note F F F P R
N`1le vecteur déni par F
n`1“ f pt
nq, @n P v0, Nw.
Q. 1 1. Déterminer en fonction de h et F F F , un vecteur V V V P R
N`1vériant V
n`1“ f
1pt
nq ` Ophq, @n P v0, Nw
2. Ecrire une fonction algorithmique permettant, à partir du vecteur F F F et de la discrétisation régulière, de calculer le vecteur V V V précédant.
Q. 2 1. Connaissant uniquement le vecteur F F F , déterminer un vecteur V V V P R
N`1vériant W W W
n“ f
1pt
nq ` Oph
2q.
2. Ecrire une fonction algorithmique permettant, à partir du vecteur F F F et de la discrétisation régulière, de calculer le vecteur W W W précédant.
2
Correction Exercice 2.0.2
3Q. 1 1. On a h “ pb ´ aq{N et t
n“ a ` nh, @n P v0, Nw. Par la formule de Taylor, on obtient respectivement les formules progressives et régressives d'ordre 1 suivantes (voir Lemme 2.5)
f pt ` hq ´ f ptq
h “ f
1ptq ` Ophq et f ptq ´ f pt ´ hq
h “ f
1ptq ` Ophq.
On va utiliser ces formules en t “ t
n. On note que la formule progressive n'est pas utilisable en
4t “ t
N(car t
N` h “ b ` h R ra, bs !) et que la formule régressive n'est pas utilisable en t “ t
0(car
5t
0´ h “ a ´ h R ra, bs !). Plus précisement, on a
6f pt
n`1q ´ f pt
nq
h “ f
1pt
nq ` Ophq, @n P v0, Nv, (2.16) f pt
nq ´ f pt
n´1q
h “ f
1pt
nq ` Ophq, @n Pw0, Nw (2.17) On peut alors construire le vecteur V V V en prenant
V
1def“ f pt
1q ´ fpt
0q
h “ f
1pt
0q ` Ophq, formule progressive (2.16) avec n “ 0 V
N`1def“ f pt
Nq ´ f pt
N´1q
h “ f
1pt
Nq ` Ophq, formule régressive (2.17) avec n “ N
Compiled on 2016/03/08 at 18:59:44
2. Dérivation numérique 2.0. 2.0.0 Exercices
et pour les points strictement intérieurs les deux formules sont possible : V
ndef“ f pt
n`1q ´ f pt
nq
h “ f
1pt
nq ` Ophq, formule progressive (2.16) avec n Pw0, N v V
ndef“ f pt
nq ´ f pt
n´1q
h “ f
1pt
nq ` Ophq, formule régressive (2.17) avec n Pw0, N v
En choisissant par exemple la formule progressive pour les points intérieurs, on obtient en fonction de F F F et h
V
1def“ F
2´ F
1h “ f
1pt
0q ` Ophq
@n Pw0, N v, V
ndef“ F
n`1´ F
nh “ f
1pt
nq ` Ophq
V
N`1def“ F
N`1´ F
Nh “ f
1pt
Nq ` Ophq.
2. La fonction algorithmique peut s'écrire sous la forme :
1
Algorithme 2.1 Calcul de dérivées d'ordre 1 Données : F F F : vecteur de R
N`1.
h : nombre réel strictement positif.
Résultat : V V V : vecteur de R
N`1.
1:
Fonction V V V Ð DeriveOrdre1 ( h, F F F )
2:
V p1q Ð pFp2q ´ Fp1qq{h
3:
Pour i “ 2 à N faire
4:
V piq Ð pFpi ` 1q ´ F piqq{h
5:
Fin Pour
6:
V pN ` 1q Ð pF pN ` 1q ´ F pN qq{h
7:
Fin Fonction
D'autres façons de présenter le problème sont possibles mais les données peuvent dièrer de celles de
2
l'énoncé. Par exemple une autre fonction algorithmique pourrait être
3
Algorithme 2.2 Calcul de dérivées d'ordre 1 Données : f : f : ra, bs ÝÑ R
a, b : deux réels, a ă b ,
N : nombre de pas de discrétisation
Résultat : V V V : vecteur de R
N`1tel que V
n`1“ f
1pt
nq ` Ophq avec pt
nq
Nn“0discrétisation régulière de ra, bs.
1:
Fonction V V V Ð DeriveOrdre1 ( f, a, b, N )
2:
t Ð DisReg pa, b, Nq Ź fonction retournant la discrétisation régulière...
3:
h Ð pb ´ aq{N
4:
V p1q Ð pfptp2qq ´ f ptp1qq{h
5:
Pour i “ 2 à N faire
6:
V piq Ð pf ptpi ` 1qq ´ f ptpiqqq{h
7:
Fin Pour
8:
V pN ` 1q Ð pf ptpN ` 1qq ´ f ptpNqq{h
9:
Fin Fonction
Q. 2 1. Du lemme 2.5, on a la formule centrée d'ordre 2 f pt ` hq ´ f pt ´ hq
2h “ f
1ptq ` Oph
2q.
2. Dérivation numérique 2.0. 2.0.0 Exercices 17
On va utiliser cette formule en t “ t
n. On note que la formule n'est pas utilisable en t “ t
N“ b et
1t “ t
0“ a. On obtient
2f
1pt
nq “ f pt
n`1q ´ f pt
n´1q
2h ` Oph
2q, @nw0, Nv. (2.18)
Il reste donc à établir une formule progressive en t
0d'ordre 2 (i.e. une formule utilisant les points
3t
0, t
1, t
2, ...) et une formule régressive en t
Nd'ordre 2 (i.e. une formule utilisant les points t
N,
4t
N´1, t
N´2, ...).
5De manière générique pour établir une formule progressive en t d'ordre 2 approchant f
1ptq, on écrit
6les deux formules de Taylor aux points t ` h et t ` 2h :
7‚ il existe ξ
1Pst, t ` hr tel que
8f pt ` hq “ f ptq ` hf
1ptq ` h
22! f
p2qptq ` h
33! f
p3qpξ
1q, (2.19)
‚ il existe ξ
2Pst, t ` 2hr tel que
9fpt ` 2hq “ f ptq ` p2hqf
1ptq ` p2hq
22! f
p2qptq ` p2hq
33! f
p3qpξ
2q. (2.20) L'objectif étant d'obtenir une formule d'ordre 2 en t pour approcher f
1ptq, on va éliminer les
10termes en f
p2qptq en eectuant la combinaison 4 ˆ (2.19) ´ (2.20) . On obtient alors
114f pt ` hq ´ f pt ` 2hq “ 3fptq ` 2hf
1ptq ` 4 h
33! f
p3qpξ
1q ´ p2hq
33! f
p3qpξ
2q
et donc
12f
1ptq “ ´3f ptq ` 4f pt ` hq ´ fpt ` 2hq
2h ´ 4 h
23! f
p3qpξ
1q ` 2
3h
23! f
p3qpξ
2q
“ ´3f ptq ` 4f pt ` hq ´ fpt ` 2hq
2h ` Oph
2q
Cette dernière formule permet alors l'obtention d'une formule d'ordre 2 en t “ t
0“ a :
13f
1pt
0q “ ´3f pt
0q ` 4f pt
1q ´ f pt
2q
2h ` Oph
2q (2.21)
De la même manière pour établir une formule régressive en t d'ordre 2 approchant f
1ptq, on écrit
14les deux formules de Taylor aux points t ´ h et t ´ 2h :
15‚ il existe ξ
1Pst ´ h, tr tel que
16f pt ´ hq “ f ptq ` p´hqf
1ptq ` p´hq
22! f
p2qptq ` p´hq
33! f
p3qpξ
1q, (2.22)
‚ il existe ξ
2Pst ´ 2h, tr tel que
17f pt ´ 2hq “ f ptq ` p´2hqf
1ptq ` p´2hq
22! f
p2qptq ` p´2hq
33! f
p3qpξ
2q. (2.23) L'objectif étant d'obtenir une formule d'ordre 2 en t pour approcher f
1ptq, on va éliminer les
18termes en f
p2qptq en eectuant la combinaison 4 ˆ (2.22) ´ (2.23) . On obtient alors
194f pt ´ hq ´ f pt ´ 2hq “ 3fptq ´ 2hf
1ptq ´ 4 h
33! f
p3qpξ
1q ` p2hq
33! f
p3qpξ
2q
et donc
20f
1ptq “ 3f ptq ´ 4f pt ´ hq ` f pt ´ 2hq
2h ´ 4 h
23! f
p3qpξ
1q ` 2
3h
23! f
p3qpξ
2q
“ 3f ptq ´ 4f pt ´ hq ` f pt ´ 2hq
2h ` Oph
2q
Compiled on 2016/03/08 at 18:59:44
2. Dérivation numérique 2.0. 2.0.0 Exercices
Cette dernière formule permet alors l'obtention d'une formule d'ordre 2 en t “ t
N“ b :
1
f
1pt
Nq “ 3f pt
Nq ´ 4f pt
N´1q ` f pt
N´2q
2h ` Oph
2q (2.24)
On peut alors construire le vecteur W W W en utilisant les formules (2.18), (2.21) et (2.24) : W
1def“ ´3f pt
0q ` 4f pt
1q ´ f pt
2q
2h “ f
1pt
0q ` Oph
2q, formule progressive (2.21) W
N`1def“ 3f pt
Nq ´ 4f pt
N´1q ` f pt
N´2q
2h “ f
1pt
Nq ` Oph
2q, formule régressive (2.24) et pour les points strictement intérieurs
W
ndef“ fpt
n`1q ´ f pt
n´1q
2h “ f
1pt
nq ` Oph
2q, formule centrée (2.18) avec n Pw0, Nv On obtient alors en fonction de F F F et h
W
1def“ ´3F
1` 4F
2´ F
32h “ f
1pt
0q ` Oph
2q
@n Pw0, Nv, W
ndef“ F
n`1´ F
n´12h “ f
1pt
nq ` Oph
2q
W
N`1def“ 3F
N`1´ 4F
N` F
N´12h “ f
1pt
Nq ` Ophq.
2. La fonction algorithmique peut s'écrire sous la forme :
2
Algorithme 2.3 Calcul de dérivées d'ordre 2 Données : F F F : vecteur de R
N`1.
h : nombre réel strictement positif.
Résultat : W W W : vecteur de R
N`1.
1:
Fonction W W W Ð DeriveOrdre2 ( h, F F F )
2:
W p1q Ð p´3 ˚ F p1q ` 4 ˚ Fp2q ´ Fp3qq{p2 ˚ hq
3:
Pour i “ 2 à N faire
4:
W piq Ð pFpi ` 1q ´ F pi ´ 1qq{p2 ˚ hq
5:
Fin Pour
6:
W pN ` 1q Ð p3 ˚ F pN ` 1q ´ 4 ˚ FpN q ` F pN ´ 1qq{p2 ˚ hq
7:
Fin Fonction
D'autres façons de présenter le problème sont possibles mais les données peuvent diérer de celles de
3
l'énoncé. Par exemple une autre fonction algorithmique pourrait être
4
Algorithme 2.4 Calcul de dérivées d'ordre 2 Données : f : f : ra, bs ÝÑ R
a, b : deux réels, a ă b ,
N : nombre de pas de discrétisation
Résultat : W W W : vecteur de R
N`1tel que W
n`1“ f
1pt
nq ` Oph
2q avec pt
nq
Nn“0discrétisation régulière de ra, bs.
1:
Fonction W W W Ð DeriveOrdre2 ( f, a, b, N )
2:
t Ð DisReg pa, b, Nq Ź fonction retournant la discrétisation régulière...
3:
h Ð pb ´ aq{N
4:
W p1q Ð p´3 ˚ f ptp1qq ` 4 ˚ f ptp2qq ´ f ptp3qqq{p2 ˚ hq
5:
Pour i “ 2 à N faire
6:
W piq Ð pf ptpi ` 1qq ´ f ptpi ´ 1qqq{p2 ˚ hq
7:
Fin Pour
8:
W pN ` 1q Ð p3 ˚ f ptpN ` 1qq ´ 4 ˚ f ptpN qq ` f ptpN ´ 1qqq{p2 ˚ hq
9:
Fin Fonction
2. Dérivation numérique 2.0. 2.0.0 Exercices 19
˛
1 2Pour illustrer l'intéret de monter en ordre, on représente en Figure 2.2 les dérivées numériques calculées
3avec les fonctions DeriveOrdre1 et DeriveOrdre2 . On peut noter visuellement la meilleur concordance
4de la dérivée numérique d'ordre 2 sur la gure de gauche. Sur celle de droite, c'est moins clair car les
5diérentes courbes sont presque confondues.
60 1 2 3 4 5 6 7
x -1
-0.5 0 0.5 1 1.5
y
h=2π/10
y=f'(x) DeriveOrdre1 DeriveOrdre2
0 1 2 3 4 5 6 7
x -1
-0.5 0 0.5 1 1.5
y
h=2π/100
y=f'(x) DeriveOrdre1 DeriveOrdre2
Figure 2.2: Représentation des dérivées numériques avec f pxq :“ sinpxq, a “ 0, b “ 2π. A gauche h “
2π10, à droite h “
1002π.
Pour une meilleur interprétation et connaissant la dérivée de la fonction, on représente en Figure 2.3
7les erreurs entre les dérivées numériques et la dérivée exacte.
8‚ Pour la dérivée d'ordre 1, l'erreur maximale pour h “
2π10est d'environ 0.3 et pour h “
1002πd'environ
90.03 : le pas h a été divisé par 10 et comme la méthode est d'odre 1 l'erreur, qui est en Ophq, est
10aussi divisée par 10.
11‚ Pour la dérivée d'ordre 2, l'erreur maximale pour h “
2π10est d'environ 0.1 et pour h “
1002πd'environ
120.001 : le pas h a été divisé par 10 et comme la méthode est d'ordre 2 l'erreur, qui est en Oph
2q,
13est divisée par 100 !
140 1 2 3 4 5 6 7
x 0.05
0.1 0.15 0.2 0.25 0.3 0.35
error
Erreur DeriveOrdre1 : h=2 π/10
0 1 2 3 4 5 6 7
x 0
0.02 0.04 0.06 0.08 0.1 0.12
error
Erreur DeriveOrdre2 : h=2 π/10
0 1 2 3 4 5 6 7
x 0
0.01 0.02 0.03 0.04
error
Erreur DeriveOrdre1 : h=2 π/100
0 1 2 3 4 5 6 7
x 0
0.5 1 1.5
error
×10-3 Erreur DeriveOrdre2 : h=2 π/100
Figure 2.3: Erreur des dérivées numériques numériques avec f pxq :“ sinpxq, a “ 0, b “ 2π. A gauche h “
2π10, à droite h “
1002π.
La Figure 2.4 en échelle logarithmique permet de se rendre compte graphiquement de l'intéret de
15monter en ordre.
16Compiled on 2016/03/08 at 18:59:44
2. Dérivation numérique 2.0. 2.0.0 Exercices
10-3 10-2 10-1
h 10-5
10-4 10-3 10-2 10-1
Erreur
ordres des methodes de dérivation
DeriveOrdre1 (0.99986) DeriveOrdre2 (1.99941) O(h)
O(h2)
Figure 2.4: Dérivation numérique : mise en évidence de l'ordre des méthodes
3
Chapitre 3
Introduction à la résolution d'E.D.O.
1
3.1 Introduction
2Les équations diérentielles ordinaires ou E.D.O.
˚sont utilisées pour modéliser un grand nombre de
3phénomènes mécaniques, physiques, chimiques, biologiques, ...
4Denition 3.1
On appelle équation diérentielle ordinaire (E.D.O.) d'ordre p une équation de la forme : F pt, y y yptq, y y y
p1qptq, y y y
p2qptq, . . . , y y y
ppqptqq “ 0.
5
Denition 3.2
On appelle forme canonique d'une E.D.O. une expression du type :
y y y
ppqptq “ G G Gpt, y y yptq, y y y
p1qptq, y y y
p2qptq, . . . , y y y
pp´1qptqq. (3.1)
6Proposition 3.3
Toute équation diérentielle d'ordre p sous forme canonique peut s'écrire comme un système de p
équations diérentielles d'ordre 1.
73.1.1 Exemple en météorologie : modèle de Lorentz
8Mathématiquement, le couplage de l'atmosphère avec l'océan est décrit par le système d'équations aux
9dérivées partielles couplées de Navier-Stokes de la mécanique des uides. Ce système d'équations était
10beaucoup trop compliqué à résoudre numériquement pour les premiers ordinateurs existant au temps
11˚En anglais, ordinary dierential equations ou O.D.E.
3. Intro duction à la résolution d'E.D.O. 3.1. Intro duction 3.1. 1 Exemple en météo rologie : mo dèle de Lo rentz
de Lorenz. Celui-ci eut donc l'idée de chercher un modèle très simplié de ces équations pour étudier
1
une situation physique particulière : le phénomène de convection de Rayleigh-Bénard. Il aboutit alors à
2
un système dynamique diérentiel possédant seulement trois degrés de liberté, beaucoup plus simple à
3
intégrer numériquement que les équations de départ.
4
(a) Edward Norton Lorenz 1917-2008, Mathématicien et météorologiste améri- cain
$
&
%
x
1ptq “ ´σxptq ` σyptq
y
1ptq “ ´xptqzptq ` ρxptq ´ yptq z
1ptq “ xptqyptq ´ βzptq
(3.2)
avec σ “ 10, ρ “ 28, β “ 8{3 et les données initales xp0q “ ´8, yp0q “ 8 et zp0q “ ρ´1. C'est un système de trois E.D.O. d'ordre 1.
Dans ces équations, σ , ρ et β sont trois paramètres réels.
5
xptq est proportionnel à l'intensité du mouvement de convection, yptq est proportionnel à la diérence
6
de température entre les courants ascendants et descendants, et zptq est proportionnel à l'écart du prol
7
de température vertical par rapport à un prol linéaire (Lorenz 1963 p.135).
8
Pour illustrer le caractère chaotique de ce système diérentiel, on le résoud numériquement avec
9
les données initiales exactes (courbe bleue de la gure 3.2) et avec la donnée initiale xp0q perturbée :
10
xp0q “ ´8 ` 1e ´ 4 (courbe rouge de la gure 3.2). Une très légère variation des données initiales
11
engendrent de très forte variation de la solution.
12
0 10 20 30 40 50 60 70 80 90 100
−20
−15
−10
−5 0 5 10 15 20
x(t)
t Modele de Lorentz
0 10 20 30 40 50 60 70 80 90 100
−30
−20
−10 0 10 20 30
y(t)
t
0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50
z(t)
t
Figure 3.2: Illustration du caractère chaotique du modèle de Lorenz : donnée initiale courbe bleue xp0q “ ´8, yp0q “ 8, zp0q “ 27, courbe rouge xp0q “ ´8 ` 1e ´ 4, yp0q “ 8, zp0q “ 27.
En représentant, en Figure 3.3, la courbe paramétré pxptq, yptq, zptqq dans l'espace, on obtient l'attracteur
13
étrange de Lorenz en forme d'aile de papillon.
14